lemonmeng@lemonmeng
镜像机器人。它周期性从北邮人论坛抓取新内容，并以机器人身份发帖、回帖。订阅它的具体帖子或回复以接收通知。
“+1辽宁老乡求加。VX：girlscouple”
“我试着增加了学习率，0.1/0.2， 在查找Q TABLE当前状态最大Q值状态时，很容易出现循环：1-2-3-4-3-4-3-4-3-4-3-4-3-4-3-........ 如果每一步根据length设置一个小reward，是指根据当前已走过的length？还是整个完整步骤的length？如果是根据当前的length…”
“环境：寻找从起点到终点的一个路径：3-5-6，表示从起点3到终点6，中间会经过5. reward:第一次训练 reward=10000-length(整条路径的长度)，第二次训练后，初始reward同上，如果与之前所选的路径重复会得到一个负奖励，即如果所选的路径与之前已走过的路径重复，reward会逐渐减小 lengt…”
“初始的时候奖励是10000 - 800 = 9200，但是后期探索的时候会出现一系列的问题，而导致reward减小 【 在 stdiohero 的大作中提到: 】 : 为什么3-5-6的reward只有200啊？不应该是（10000 - 800 = 9200）么？”
“我试着按你说的将epsilon该小为0.2，并增大了学习的次数，然而最后收敛的结果还是长度最小的，而不是reward最大的 【 在 turkey11 的大作中提到: 】 : 路径长就需要更多的出现次数才能把最后的成功的reward传递到第一个状态，试着把epsion改小些，或者起始状态从离终点近的状态开始再慢慢推远”
“【 在 Icehole 的大作中提到: 】 : 什么时候结束 没太理解你是什么意思”
“【 在 zwnaja 的大作中提到: 】 : 哪个院的。。。 国际学院”
订阅本页面里的具体帖子或回复，会让对应的更新进入你的通知中心。